ICMLOct, 2018

用于分类感染性和非感染性患者微循环图像的机器学习算法

PDF
TL;DR研究使用机器学习分类器对住院患者的暗场显微镜下的微循环视频进行非感染和感染图像的区分，该分类器准确度达到 89.45％。分类器用于区分感染和非感染患者的特征空间具有潜在的诊断应用价值。同时，使用无监督的卷积自编码器将学习到的特征从压缩的表征中聚类，可用于识别健康的微循环图像与有微循环功能障碍的图像。
发现论文，激发创造
  • 深度学习和计算机视觉技术用于微循环分析：一综述

    该研究回顾了 50 多篇相关论文并提出了最有前途的计算机视觉算法，以实现微循环图像分析的自动化，从而为其他研究人员开发微循环分析系统和算法提供了指导手册。

    May, 2022

  • 锐性感染和脓毒症的基于血液的诊断和预后的机器学习分类器开发

    我们应用机器学习技术解决急性感染和败血症快速准确诊断和预后的医学需求，通过测量患者血液中 29 种信使 RNA 的丰度作为机器学习的特征，并通过分类器将这些特征转化成直观的检测报告，包括细菌感染、病毒感染和病情严重程度的区分。在内部验证中，该系统在三种疾病诊断（细菌感染、病毒感染或未感染）上实现了 0.83 的 AUROC 值，在疾病严重程度的二元预测上实现了 0.77 的 AUROC 值。该系统已经获得了美国食品药品监督管理局（FDA）的突破性设备认定，本工程手稿介绍了用于将学术研究概念转化为临床产品的标准和新颖机器学习方法，并讨论了相关经验教训。

    Jul, 2024

  • 利用深度学习技术对电子健康记录事件序列进行早期感染性休克检测

    本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。

    Jun, 2019

  • 使用多任务高斯过程循环神经网络分类器学习检测脓毒症

    本文介绍了一种可伸缩的端到端分类器，它使用连续的生理时间序列和药物数据来准确预测败血症的发作，并且可以在高度不确定、频繁缺失和不规则采样率的真实临床数据中工作。通过使用任务多元高斯过程模型和基于回归神经网络的黑盒分类器，我们表明在大规模的医院数据中，该分类器胜过了我们医院目前使用的新闻评分，并且收益了 19.4％和 55.5％的改进。

    Jun, 2017

  • 使用机器学习和临床自然语言处理在急诊接诊时准确检测败血症

    研究以机器学习算法 (KATE) 为基础，与就诊数据进行综合，能够在急诊科中高准确度地诊断感染性休克，并且其在重症感染和感染性休克的诊断性能明显优于常用的诊断方案。

    Apr, 2022

  • 机器学习诱发的脓毒症过度诊断的量化研究

    通过集成预测模型标签与簇医学轨迹的方法，本研究开发了一种创新的方法，可以在模型开发期间预测性的检测到潜在的过度诊断病例，以提供安全的计算机诊断工具使用指南。

    Jul, 2021

  • 一种改进的多输出高斯过程循环神经网络，具有实时验证功能，用于早期脓毒症检测

    该研究提出一种多输出高斯过程和深度递归神经网络相结合的方法，实现对 sepsis 的早期检测，有效性较现有方法更佳，并可在实时仪表盘上展示其预测结果，以便用于 sepsis 快速反应团队的诊断和治疗。

    Aug, 2017

  • 一种基于知识蒸馏的多变量临床时间序列中的感染性休克预测方法

    通过知识蒸馏和约束变分推断，我们使用一个高预测能力的 “教师” 神经网络模型来训练一个 “学生” 潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。

    Nov, 2023

  • 早期脓毒症预测的多子集方法

    利用机器学习和多子集方法进行感染性休克早期预测可缩短预测时间，并以时变趋势特征进一步改进早期预测的性能。

    Apr, 2023

  • 临床环境下脓毒症发作的早期预测

    采用机器学习模型来预测感染性休克的早期发生，利用来自纽约布朗克斯 Montefiore 医疗中心的非身份识别的临床数据。

    Feb, 2024